Model Heuristik

Dr. Sri Kusumadewi, S.Si., MT. Materi Kuliah [8]: (Sistem Pendukung Keputusan)

Model Heuristik

Model heuristik.

Model ini akan melakukan pencarian terhadap solusi yang cukup baik melalui serangkaian aturan (rules). Model ini lebih banyak direpresentasikan dengan menggunakan pemrograman heuristik atau sistem pakar

Aturan
Aturan umumnya dibentuk dengan format IF Anteseden THEN Konsekuen Anteseden berisi aksi atau kondisi atau fakta yang terjadi Konsekuen berupa reaksi yang dilakukan jika aksi terjadi atau kondisi bernilai benar.

Aturan

Contoh:

Untuk menetapkan suatu daerah akan dipilih sebagai lokasi untuk mendirikan perumahan, telah dihimpun 10 aturan. Ada 4 atribut yang digunakan, yaitu:

harga tanah per meter persegi (C1), jarak daerah tersebut dari pusat kota (C2), ada atau tidaknya angkutan umum di daerah tersebut (C3), dan keputusan untuk memilih daerah tersebut sebagai lokasi perumahan (C4).

Aturan

Tabel Aturan
Harga tanah (C1) Jarak dari pusat kota (C2) Ada angkutan umum (C3) Dipilih untuk perumahan (C4)

Aturan ke-

1
2 3 4

Murah
Sedang Mahal Mahal

Dekat
Dekat Dekat Jauh

Tidak
Tidak Tidak Tidak

Ya
Ya Ya Tidak

5
6 7 8

Mahal
Sedang Murah Murah

Sedang
Jauh Jauh Sedang

Tidak
Ada Ada Tidak

Tidak
Tidak Tidak Ya

9
10

Mahal
Sedang

Jauh
Sedang

Ada
Ada

Tidak
Ya

Association Rules
Association rules dapat dimaknai seperti halnya kita mengklasifikasikan aturan. Pada association rules, kita tidak hanya dihadapkan pada bagaimana membentuk aturan dimana konsekuen bernilai benar, namun juga memprediksi aturan-aturan yang terbentuk sebagai kombinasi dari beberapa atribut. Jumlah aturan yang mungkin terbentuk bisa jadi sangat banyak.

Association Rules
Untuk membatasi jumlah aturan tersebut, dapat dilakukan teknik pemotongan (pruning). Proses pemotongan tersebut menggunakan suatu acuan:

batas pemotongan yang disebut dengan coverage (jumlah kejadian yang terprediksi benar), dan nilai akurasi (angka yang menunjukkan perbandingan antara jumlah konsekuen dengan anteseden).

Association Rules
Himpuan Item. Item berperan sebagai nilai atribut yang berpartisipasi. Satu atribut dapat terdiri dari beberapa nilai. Misal:

pada atribut C1, ada 3 nilai yaitu murah, sedang dan mahal; atribut C2 terdiri-atas 3 nilai yaitu dekat, sedang dan jauh; atribut C3 terdiri-atas 2 nilai yaitu tidak dan ada; dan atribut C4 terdiri-atas 2 nilai yaitu ya dan tidak.

Association Rules

Contoh:

Pada kasus 1, dapat kita kelompokkan dalam 1, 2, atau 3 item. Diharapkan setiap kelompok item menyumbangkan lebih dari 1 kejadian. Pertama, menunjukkan partisipasi atribut (kejadian) dengan satu nilai, misal C1 = murah. Nilai (3) dibelakang murah menunjukkan jumlah aturan yang relevan dengan C1 = murah.

Association Rules

Satu item

No 1 2 3 4 5 6 7

1 item C1 = murah (3) C1 = sedang (3) C1 = mahal (4) C2 = dekat (3) C2 = sedang (3) C2 = jauh (4) C3 = ada (4)

8
9 10

C3 = tidak (6)
C4 = ya (5) C4 = tidak (5)

Association Rules

Kedua, menunjukkan partisipasi atribut (kejadian) dengan 2 nilai. Misal C1 = mahal dan C2 = jauh, ada 2 aturan yang mengandung kedua nilai tersebut (dengan banyak kejadian > 1).

Association Rules

Dua item

No 1 2 3

2 item C1 = mahal C2 = jauh (2) C1 = murah C3 = tidak (2) C1 = mahal C3 = tidak (3) 9 10 11 12 13 14 15 16 C2 = dekat C3 = tidak (3) C2 = sedang C3 = tidak (2) C2 = dekat C4 = ya (3) C2 = sedang C4 = ya (2) C2 = jauh C4 = tidak (4) C3 = ada C4 = tidak (3) C3 = tidak C4 = ya (4) C3 = tidak C4 = tidak (2)

4
5 6 7 8

C1 = sedang C3 = ada (2)

C1 = murah C4 = ya (2) C1 = sedang C4 = ya (2) C1 = mahal C4 = tidak (3) C2 = jauh C3 = ada (3)

Association Rules

Ketiga, menunjukkan partisipasi atribut (kejadian) dengan 3 nilai. Misal C1 = mahal, C2 = jauh dan C4 = tidak, ada 2 aturan yang mengandung kedua nilai tersebut (dengan banyak kejadian > 1).

Association Rules

Tiga item

No 1

3 item C1 = mahal C2 = jauh C4 = tidak (2) C1 = murah C3 = tidak C4 = ya (2) C1 = mahal C3 = tidak C4 = tidak (2)

C2 = jauh C3 = ada C4 = tidak (3)

C2 = dekat C3 = tidak C4 = ya (3)

Association Rules

Dari data tersebut, dapat dibangkitkan beberapa aturan berdasarkan jumlah item yang tersedia. Misalkan untuk 1 item, C1 = murah, dapat dibentuk 1 aturan: If then C1 = murah (3/10) Artinya:

tanpa mempertimbangkan anteseden, terdapat konsekuen yang memiliki atribut C1 = murah. Angka 3/10 menunjukkan perbandingan (proposisi) antara jumlah konsekuen (setelah THEN) benar / jumlah anteseden (setelah IF) bernilai benar. Ada sebanyak 10 kejadian, sedangkan kejadian dengan C1 = murah, ada 3 kejadian, sehingga nilai proposisi = 3/10.

Association Rules

Untuk 2 item, C1 = mahal dan C2 = jauh, dapat dibentuk 3 aturan:

If C1 = mahal then C2 = jauh If C2 = jauh then C1 = mahal If then C1 = mahal and C2 = jauh

(2/4) (2/4) (2/10)

Pada aturan pertama, dengan anteseden C1 = mahal, terdapat konsekuen yang memiliki atribut C2 = jauh. Banyaknya kejadian dengan C1 = mahal ada 4 kejadian. Dari 4 kejadian tersebut, yang memiliki konsekuen C2 = jauh, ada 2 kejadian, sehingga nilai proposisi = 2/4.

Association Rules

Demikian seterusnya, total terdapat 93 aturan yang dapat dibentuk seperti:

If If If If If If If If

then C1 = murah then C1 = sedang C1 = mahal then C2 = jauh C2 = jauh then C1 = mahal then C1 = mahal and C2 = jauh C2 = jauh then C1 = mahal and C4 = tidak C4 = tidak then C1 = mahal and C2 = jauh then C1 = mahal and C2 = jauh and C4 = tidak

3/10 3/10 2/4 2/4 2/10 2/4 2/5 2/10

Detil

Association Rules

Selanjutnya, dapat ditentukan tingkat akurasi yang kita harapkan untuk suatu aturan. Misalkan ditetapkan tingkat akurasi = 100% (1), hal ini berarti bahwa nilai proposisi suatu aturan harus bernilai 1. Dengan nilai akurasi 1, maka hanya ada 12 aturan dari 93 aturan tersebut yang dapat digunakan.

Association Rules

Aturan-aturan yang terbentuk dengan akurasi 100%

No Aturan Coverage Akurasi Asal aturan

1
2 3 4

If C2 = jauh then C4 = tidak

If C2 = dekat then C3 = tidak If C2 = dekat then C4 = ya If C2 = jauh and C3 = ada then C4 = tidak

4
3 3 3

100%
100% 100% 100%

47
35 41 80

5
6

If C3 = ada and C4 = tidak then C2 = jauh

If C2 = dekat and C3 = tidak then C4 = ya

3
3

100%
100%

82
87

Association Rules
No Aturan Coverage Akurasi 3 3 2 2 2 2 100% 100% 100% 100% 100% 100% Asal aturan 88 90 59 66 67 75 7 If C2 = dekat and C4 = ya then C3 = tidak 8 If C2 = dekat then C3 = tidak and C4 = ya 9 If C1 = mahal and C2 = jauh then C4 = tidak 10 If C1 = murah and C3 = tidak then C4 = ya 11 If C1 = murah and C4 = ya then C3 = tidak 12 If C3 = tidak and C4 = tidak then C1 = mahal

Sistem Pakar

Secara umum, sistem pakar (expert system) adalah sistem yang berusaha mengadopsi pengetahuan manusia ke komputer, agar komputer dapat menyelesaikan masalah seperti yang biasa dilakukan oleh para ahli. Sistem pakar yang baik dirancang agar dapat menyelesaikan suatu permasalahan tertentu dengan meniru kerja dari para ahli. Dengan sistem pakar ini, orang awampun dapat menyelesaikan masalah yang cukup rumit yang sebenarnya hanya dapat diselesaikan dengan bantuan para ahli.

Sistem Pakar

Ada 4 komponen utama dalam sistem pakar, yaitu:

Basis Pengetahuan (knowledge base) Motor inferensi (inference engine) Antarmuka Fasilitas penjelasan

Sistem Pakar
Basis pengetahuan berisi pengetahuanpengetahuan dalam penyelesaian masalah, tentu saja di dalam domain tertentu. Ada 2 bentuk pendekatan basis pengetahuan yang sangat umum digunakan, yaitu:

Penalaran berbasis aturan (Rule-Based Reasoning) Penalaran berbasis kasus (Case-Based Reasoning).

Sistem Pakar

Pada penalaran berbasis aturan:

Pengetahuan direpresentasikan dengan menggunakan aturan berbentuk: IF-THEN. Bentuk ini digunakan apabila terdapat sejumlah pengetahuan pakar pada suatu permasalahan tertentu, dan si pakar dapat menyelesaikan masalah tersebut secara berurutan. Disamping itu, bentuk ini juga digunakan apabila dibutuhkan penjelasan tentang jejak (langkah-langkah) pencapaian solusi.

Sistem Pakar

Pada penalaran berbasis kasus:

Basis pengetahuan akan berisi solusi-solusi yang telah dicapai sebelumnya, kemudian akan diturunkan suatu solusi untuk keadaan yang terjadi sekarang (fakta yang ada). Bentuk ini digunakan apabila user menginginkan untuk tahu lebih banyak lagi pada kasus-kasus yang hampir sama (mirip). Selain itu, bentuk ini juga digunakan apabila kita telah memiliki sejumlah situasi atau kasus tertentu dalam basis pengetahuan.

Sistem Pakar

Inference engine:

Forward Chaining. Pencocokan fakta atau pernyataan dimulai dari bagian sebelah kiri (IF dulu). Penalaran dimulai dari fakta terlebih dahulu untuk menguji kebenaran hipotesis. Backward Chaining. Pencocokan fakta atau pernyataan dimulai dari bagian sebelah kanan (THEN dulu). Penalaran dimulai dari hipotesis terlebih dahulu, dan untuk menguji kebenaran hipotesis tersebut dicari harus dicari fakta-fakta yang ada dalam basis pengetahuan.

Sistem Pakar

Contoh: Ada 10 aturan yang tersimpan dalam basis pengetahuan. Fakta awal yang diberikan hanya: A & E (artinya: A dan E bernilai benar). Ingin dibuktikan apakah K bernilai benar (hipotesis: K)?

No. R-1 R-2

Aturan IF A & B THEN C IF C THEN D

R-3
R-4 R-5 R-6 R-7 R-8

IF A & E THEN F
IF A THEN G IF F & G THEN D IF G & E THEN H IF C & H THEN I IF I & A THEN J

R-9 R-10

IF G THEN J IF J THEN K

Sistem Pakar

Forward Chaining

Munculnya fakta baru pada saat inferensi:

Aturan Fakta Baru

R-3
R-4 R-5 R-6 R-9 R-10

F
G D H J K

Sistem Pakar

Alur inferensi:
Fakta A R-3 E Fakta R-4 R-9 G R-5 J R-10 K

R-6

Sistem Pakar

Backward Chaining

Alur inferensi:
K R-10 J R-8 I R-7 C R-1

Fakta A

B Tidak diketahui Fakta

(a) Pertama: Gagal

R-10 R-9 R-4

(b) Kedua: Sukses